Driving While Impaired (DWI) by Alcohol Convictions Among Alcohol, Cocaine, and Cannabis Clients in Treatment
Notice bibliographique
Résumé
OBJECTIVE: Although studies have demonstrated that clients in treatment for alcohol abuse are more at risk of driving while impaired (DWI) by alcohol than normal licensed drivers from the general population, no research was found on DWI convictions among those in treatment for abusing cannabis or cocaine. The purpose of this article is to compare DWI convictions among clients in treatment for alcohol, cannabis, cocaine, or various combinations of these substances, compared to a matched population control group. METHOD: A stratified random sample of driver records was drawn from seven client groups who sought treatment in 1994 for alcohol, cannabis, cocaine, or any combination of these substances (n = 445). A random sample of drivers, frequency matched by age and sex (n = 566), served as control subjects. RESULTS: Logistic regression analysis, controlling for sex and age, was conducted to assess whether DWI convictions were elevated for each of the client groups, compared to controls. Two sets of analyses were conducted, before treatment (from 1985 to 1993) and after treatment (from 1995 to 2000). In the time period before treatment, every drug group except the "cannabis only" group had significantly more DWI convictions than controls (p < .05). In the period after treatment, the "alcohol only," "cocaine only," "alcohol and cocaine," and the "cocaine and cannabis" groups still had significantly more DWI convictions than controls (p < .05). CONCLUSION: The results show that DWI convictions are elevated among those who abused cocaine but not among those who abused cannabis. The results suggest that cross-addiction of alcohol and cocaine is common, and problematic drinking among cocaine clients can go undetected when clients are being diagnosed for treatment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».